目标检测中的精确率，召回率，AP详解

最新推荐文章于 2023-08-13 16:56:03 发布
最新推荐文章于 2023-08-13 16:56:03 发布
阅读量1.6k 收藏 4
点赞数
分类专栏： 知识
原文链接：https://blog.csdn.net/liuweiyuxiang/article/details/80111226
版权

AP、mAP(pr曲线) 和 ROC、AUC

1 混淆矩阵

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

2 查准率precision、 查全率recall、pr曲线、AP、mAP

查准率（准确率）—该数据集中分类器认为是飞机的 真正的飞机数 的占比
查全率（召回率）—该数据集所有的飞机中 被正确认为（预测）出来的飞机数 的占比

或者这样理解
查准率（准确率）—分类器认为 的真正飞机数
查全率（召回率）— 事实上 的真正飞机数
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

pr曲线下面的面积就是AP 一个类对应这样一个AP

在这里插入图片描述

数据集中所有的类 平均一下就有了map

3 ROC、AUC

在这里插入图片描述

4 pr 和 ROC 是两个不同的 评价指标和计算方式

在这里插入图片描述
样本类别分布不均时 ROC 曲线可以很好的进行 模型性能的度量

参考文献：
https://blog.csdn.net/jasonzzj/article/details/62237608
https://blog.csdn.net/hysteric314/article/details/54093734

半棵树dd
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Pytorch 计算误判率,计算准确率,计算召回率的例子
01-21
无论是官方文档还是各位大神的论文或搭建的网络很多都是计算准确率，很少有计算误判率， 下面就说说怎么计算准确率以及误判率、召回率等指标 1.计算正确率 获取每批次的预判正确个数 train_correct = (pred == batch_y.squeeze(1)).sum() 该语句的意思是 预测的标签与实际标签相等的总数 获取训练集总的预判正确个数 train_acc += train_correct.data[0] #用来计算正确率 准确率 ： train_acc / (len(train_data)) 2.误判率 举例：当你是二分类时，你需要计算 原标签为1，但预测为 0 ，以及 原标签
目标检测中的AP计算
lppfwl的博客
08-15 2万+
目标检测中的AP计算 最近在学习目标检测，对模型评价指标AP的计算过程有点疑问，经过查找资料、问师兄，最终算是有了一个相对明确的了解，特此记录一下，方便以后查看,不足之处还请大家批评指正！ AP(average precision)是目标检测论文中广泛使用的模型评价指标，VOC的AP计算方法在2010年的时候发生过一次更改，现在常用的是2010年之后更改的AP计算方法，该计算方法相比于之前也更为合理，本文的AP计算也是2010年之后的计算方法。官方的定义如下： （图片源自博客https://blog.cs
python:目标检测模型预测准确度计算方式(基于IoU)
09-18
今天小编就为大家分享一篇python:目标检测模型预测准确度计算方式(基于IoU)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
准确率、召回率和mAP、AP50/75
DaGongJiGuoMaLu09的博客
05-13 2万+
1、准确率和召回率 真实值与预测值之间的关系为： 准确率（precision）和召回率（recall）作为统计值，各自的计算方式： P=TPTP+FPP=\frac{TP}{TP+FP}P=TP+FPTP​R=TPTP+FNR=\frac{TP}{TP+FN}R=TP+FNTP​ 准确率 PPP 给出了“预测为真值的样本中确实有多少比例为真值”，召回率 RRR 给出了“本来就是真值的样本模型预测出...
目标检测扩（六）一篇文章彻底搞懂目标检测算法中的评估指标计算方法（IoU（交并比）、Precision（精确度）、Recall（召回率）、AP（平均正确率）、mAP（平均类别AP） ）
qq_40959462的博客
10-21 5929
​ 基本在目标检测算法中会碰到一些评估指标、常见的指标参数有：IoU（交并比）、Precision（精确度）、Recall（召回率）、AP（平均正确率）、mAP（平均类别AP）等。这些评估指标是在评估阶段评价训练的网络好坏的重要依据。
目标框检测中准确率、召回率、AP、mAP计算原理及代码
MAX的专栏
09-28 6763
假设有M个真值正样本，我们从Top-1 到 Top-N，每累积一个预测就会对应一个recall 和 一个 precision。,M/M），对每一个recall，从对应的precision 中取最大值作为当前recall 对应的precision，求M 个precision的平均得到AP。一般用 IOU 进行匹配，预测框和真实框之间的 IOU 值大于一定阈值时，比如0.5，则认为对真实样本正确预测。但是Accuracy 不经常使用，因为我们在做目标预测的时候往往只关心正样本，而不去关心负样本是否正确预测。
目标检测-指标
qq_43578042的博客
08-13 691
目标检测评价指标
综合评价模型的缺点_【必备】目标检测中的评价指标有哪些？
weixin_39676021的博客
11-21 737
在人工智能领域，机器学习的效果需要用各种指标来评价。当一个目标检测模型建立好了之后，即模型训练已经完成，我们就可以利用这个模型进行分类识别。那么该如何去评价这个模型的性能呢？上期我们一起学习了全卷积神经网络FCN，今天我们看下目标检测中的评价指标都有哪些？今天我们从交并比，准确率，精度，召回率，FPR, F1-Score, PR曲线，ROC曲线，AP的值，AUC的值以及很重要的mAP指标...
有关于目标检测中准确率，精确率，召回率的解释
hu_Mrs的博客
03-22 2955
有关于目标检测中准确率，精确率，召回率的解释
目标检测中召回率和准确率介绍
m0_43400376的博客
04-27 5714
本文节选于《深度学习之pytorch物体检测实战》,供以后复习时查看 目标检测的评价标准 ​    对于一个检测器，我们需要制定一定的规则来评价其好坏，从而选 择需要的检测器。对于图像分类任务来讲，由于其输出是很简单的图像 类别，因此很容易通过判断分类正确的图像数量来进行衡量。     物体检测模型的输出是非结构化的，事先并无法得知输出物体的数量、位置、大小等，因此物体检测的评价算法就稍微复杂一些。对于具 体的某个物体来讲，我们可以从预测
Caffe-ssd输出准确率和召回率
03-08
Caffe-SSD的solver.cpp修改后的源码，可输出准确率、召回率和PR曲线值
基于深度学习的目标检测框架介绍.ppt
05-08
基于深度学习的目标检测框架介绍.ppt 普通的深度学习算法主要是用来做分类，如图(1)所示，分类的目标是要识别出图中所示是一只猫。 目标定位是不仅仅要识别出来是什么物体（即...过准确率、召回率、效率来一决高下。
机器学习 之评估指标 召回率，查准率，F1分数(f1值)
01-07
将虾预测为虾 召回率R = TP/(TP+FP) （正确预测鱼的信息条数/原样本中所有鱼的信息条数） 2、查准率：评价模型的正确性 查准率：某一类 预测样本中的预测正确的信息条数/预测样本中所有的信息条数 查准率P = TP/(TP+...
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
热门推荐
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
目标检测指标AP和mAP.
Harry_Jack的博客
11-11 3671
一、准确率&回归率 术语表： - 预测正例 预测反例 真值正例 TP FN 真值反例 FP TN 准确率Precision公式表示： Precison=TPTP+FP Precison=\frac{TP}{TP+FP} Precison=TP+FPTP​ 回归率Recall公式表示： Recall=TPTP+FN Recall=\frac {TP}{TP+FN} Recall=TP+FNTP​ ​ Precision表示预测为正例的结果中有多少是对的，比如100个
目标检测指标 查准率 AP 查全率 mAP Corloc
qq_20481015的博客
09-17 2986
什么是IoU 在目标检测算法中，我们经常需要评价2个矩形框之间的相似性，直观来看可以通过比较2个框的距离、重叠面积等计算得到相似性，而IoU指标恰好可以实现这样的度量。简而言之，IoU（intersection over union，交并比）是目标检测算法中用来评价2个矩形框之间相似度的指标 IoU = 两个矩形框相交的面积 / 两个矩形框相并的面积，如下图所示： 什么是TP TN FP FN TP、TN、FP、FN即true positive, true negative, false pos
目标检测 — 评价指标
dbsggal90047018的博客
05-22 3384
　　评价指标： 　　准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS）。 1、准确率 （Accuracy） 　　分对的样本数除以所有的样本数 ，即：准确（分类）率 =...
目标检测/图像分割 评价标准IOU/准确率及精确率
weixin_44350541的博客
03-08 1万+
评价标准 目标检测和图像分割的评价标准是一样的，核心都是使用IOU标准 IOU(Intersection-Over-Union) OU即Intersection-Over-Union，IoU相当于两个区域重叠的部分除以两个区域的集合部分得出的结果 目标检测 图像分割 Pixel Accuracy&Pixel Precision 上面所述的IoU只是用于评价一幅图的标准，如果我们要评...
微信小程序-番茄时钟源码
最新发布
05-13
微信小程序番茄时钟的源码，支持进一步的修改。番茄钟，指的是把工作任务分解成半小时左右，集中精力工作25分钟后休息5分钟，如此视作种一个“番茄”，而“番茄工作法”的流程能使下一个30分钟更有动力。
如何通过精确率和召回率得到AP
06-10
AP（Average Precision）是用来评估物体检测算法性能的指标之一。在计算 AP 时，需要先计算出每个类别的 Precision-Recall 曲线，然后根据曲线下的面积来计算 AP 值。下面是计算 AP 值的具体步骤： 1. 首先，按照...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值